Лондонская ИИ-лаборатория Inherent, созданная выходцами из Google DeepMind и других технологических организаций, представила научного ИИ-агента Faraday. Система обучена самостоятельно воспроизводить результаты опубликованных исследований и, по данным разработчиков, в специализированных тестах справилась с этой задачей лучше Claude Opus 4.8 от Anthropic и GPT-5.5 от OpenAI. Особенно примечательно, что в основе Faraday лежит модель всего на 27 млрд параметров, тогда как её соперниками выступали значительно более крупные передовые системы.

В Inherent рассматривают воспроизведение чужих научных работ не как конечную цель, а как тренировочный этап на пути к созданию полноценного «ИИ-учёного». Такой агент в перспективе должен самостоятельно формулировать гипотезы, выбирать перспективные направления экспериментов и помогать получать новые знания. Стартап уже привлёк $50 млн начального финансирования, а среди его основателей — бывшие специалисты DeepMind, Microsoft, Reka AI и Белого дома.

Faraday учат работать как исследователя

О разработке Faraday стало известно вскоре после выхода Inherent из скрытого режима работы. Лаборатория намерена заниматься так называемой AI-native science — подходом, при котором искусственный интеллект становится не просто инструментом для поиска информации или обработки данных, а полноценным участником исследовательского процесса.

Одной из первых задач для Faraday стало самостоятельное воспроизведение результатов уже существующих научных публикаций. Агенту необходимо разобраться в работе, определить подходящие эксперименты и попытаться прийти к результатам авторов, не получая заранее готового ответа.

Сооснователь и главный научный сотрудник Inherent Эдвард Хьюз считает такой подход естественной подготовкой к более сложной научной деятельности. В исследовательской среде воспроизведение чужих результатов давно используется для проверки публикаций и обучения молодых специалистов.

Для проверки создали отдельный набор научных задач

Вместе с Faraday команда Inherent разработала среду оценки Replica. Она включает 310 задач, сформированных на основе 100 научных публикаций в областях машинного обучения и применения ИИ в науке. Среди представленных направлений есть обработка естественного языка, материаловедение и прогнозирование погоды.

Задача агента заключается не просто в пересказе публикации. Система должна фактически провести мини-исследование и воспроизвести определённый результат из исходной работы, например данные, представленные авторами в виде графика или другого результата эксперимента.

Причём работа выполняется при ограничениях по времени и вычислительным ресурсам. Для автоматизированной оценки исследователи также разработали систему проверки на основе генерируемых критериев, результаты которой, по утверждению авторов работы, хорошо согласуются с человеческой оценкой.

Модель на 27 млрд параметров оказалась сильнее гораздо более крупных систем

Главной особенностью результатов стал не только сам уровень Faraday, но и сравнительно скромный размер лежащей в его основе языковой модели.

Faraday использует Qwen 3.6 с 27 млрд параметров. В испытаниях его сравнивали с Claude Opus 4.8 от Anthropic и GPT-5.5 от OpenAI — передовыми моделями значительно большего масштаба. На отложенных задачах по воспроизведению исследований Faraday, согласно опубликованной Inherent научной работе, показал более высокий результат.

При этом речь идёт о конкретном специализированном тестировании. Полученные результаты не означают, что 27-миллиардная модель в целом превосходит системы OpenAI или Anthropic во всех сценариях. Преимущество Faraday продемонстрировано именно в задачах воспроизведения научных исследований и во многом связано с организацией самого агента и его дополнительным обучением.

Разработчики хотят привить ИИ «исследовательское чутьё»

Одной точности воспроизведения результатов для Inherent оказалось недостаточно. Разработчики отдельно оценивали способность системы проявлять то, что они называют research taste — исследовательским чутьём.

Речь идёт об умении понять, какой эксперимент действительно имеет смысл провести, как его организовать и какой следующий шаг окажется наиболее полезным. Именно эта способность отличает исследовательскую работу от простого выполнения заранее подготовленного набора инструкций.

По словам Хьюза, для команды особенно важен не сам факт превосходства систем конкурентов, а метод, позволивший добиться результата.

Faraday обучают с подкреплением

Вместо попытки вручную описать огромное количество правил научной работы команда Inherent сделала ставку на обучение с подкреплением — Reinforcement Learning.

При таком подходе агент получает сигнал вознаграждения за успешный результат и постепенно учится выбирать более эффективную последовательность действий. Разработчики рассчитывают, что эта стратегия позволит системе лучше переносить приобретённые навыки на новые задачи и научные дисциплины.

Это принципиально важно для долгосрочных планов компании. Настоящий универсальный научный агент не сможет полагаться исключительно на заранее подготовленные сценарии: новые исследования по определению требуют работы с неизвестными задачами.

В опубликованной научной работе исследователи отмечают, что анализ поведения Faraday показал более систематический и научно обоснованный подход к решению отдельных задач. Авторы рассматривают результаты как один из промежуточных шагов к ИИ-агентам, способным заниматься продолжительными научными исследованиями.

Inherent не пытается самостоятельно создавать каждый инструмент

Интересно, что разработчики Faraday не придерживаются идеи полностью автономной экосистемы, в которой все компоненты должны принадлежать одной компании.

Если агенту требуется специализированный инструмент, он может обращаться к сторонним решениям. Например, для программирования Faraday использует GPT-5.5 Codex от OpenAI.

В Inherent сравнивают такую организацию работы с деятельностью обычного учёного. Исследователь не создаёт собственную операционную систему, язык программирования и лабораторное оборудование перед каждым экспериментом — вместо этого он выбирает подходящие готовые инструменты.

По аналогичному принципу Faraday должен концентрироваться на исследовательской задаче, используя внешние системы там, где это эффективнее разработки собственного решения.

Конечная цель — ИИ, способный делать открытия

Проверка опубликованных работ является только первым заметным этапом проекта. Более амбициозная задача Inherent заключается в создании системы, способной переходить от подтверждения существующих знаний к получению новых.

Компания хочет научить ИИ самостоятельно определять, какие вопросы заслуживают изучения, формировать направления дальнейшей работы и проводить продолжительные серии экспериментов. Именно поэтому разработчики уделяют большое внимание способности Faraday выбирать перспективные исследовательские действия, а не просто выполнять инструкции.

Такой подход заметно отличается от распространённой модели использования генеративного ИИ, когда человек формулирует вопрос, а система выдаёт ответ. В концепции Inherent искусственный интеллект должен участвовать уже в определении самого вопроса.

Стартап получил $50 млн сразу после выхода из скрытого режима

Inherent привлекла внушительную для ранней стадии сумму — $50 млн в рамках посевного раунда финансирования. Раунд совместно возглавили Index Ventures и Radical Ventures. Среди других участников были венчурное подразделение NVIDIA NVentures, Ex/Ante, Metaplanet, Macroscopic Ventures и Mythos Ventures.

Компания была основана специалистами с опытом работы в крупнейших технологических и исследовательских организациях. Тантум Коллинз, Эдвард Хьюз и Луис Кирш ранее работали в DeepMind, а Калоан Алексиев — в Reka AI и Microsoft. Коллинз также занимался вопросами политики в области искусственного интеллекта в администрации президента США Джо Байдена.

В качестве советника к компании присоединился сооснователь Entrepreneurs First и бывший советник британского правительства по вопросам ИИ Мэтт Клиффорд.

Маленькая команда с большими планами

Несмотря на масштаб поставленной задачи и объём привлечённого финансирования, Inherent пока остаётся небольшой лабораторией. По данным TechCrunch, сейчас команда насчитывает примерно 12 человек и работает в лондонском районе King’s Cross. До конца года штат планируется увеличить примерно до 20–25 сотрудников.

Расположение лаборатории выбрано неслучайно. Лондон, и в частности район King’s Cross, превратился в один из крупнейших европейских центров концентрации специалистов по искусственному интеллекту. Здесь же располагается штаб-квартира Google DeepMind.

Хьюз при этом критически высказался о распространённой в Великобритании практике garden leave. Такие условия трудовых договоров могут на определённый период ограничивать возможность ушедшего сотрудника начать работу у конкурента или основать собственную компанию. Сам Хьюз, по его словам, столкнулся с подобными ограничениями перед запуском Inherent.

До настоящего «ИИ-учёного» ещё далеко

Результаты Faraday выглядят многообещающе, однако их важно оценивать в правильном контексте. Пока речь идёт не об искусственном интеллекте, самостоятельно совершающем фундаментальные открытия, а о специализированном агенте, показавшем сильные результаты в воспроизведении уже опубликованных научных работ.

Тем не менее именно способность самостоятельно разобраться в исследовании, выбрать последовательность экспериментов и добиться воспроизводимого результата может стать важной ступенью к более автономным научным системам.

Для Inherent следующий большой рубеж значительно сложнее: научить агента не только находить уже известный путь к результату, но и определять, куда идти, когда правильного ответа ещё не существует. Если этот подход окажется успешным, Faraday сможет превратиться из инструмента проверки научных публикаций в полноценного цифрового помощника исследователя — а в более отдалённой перспективе и в систему, способную участвовать в получении новых научных знаний.